🧬 biology

Omitting tumor proliferation from prognostic gene expression models: a preregistered cross-cancer test, a transcriptome-wide measurement, and a survey of how often the omission is made

Este estudio preregistrado demuestra que la omisión de la proliferación tumoral en los modelos pronósticos de expresión génica en el carcinoma hepatocelular y otros cánceres sesga sistemáticamente casi todas las estimaciones de los genes, aunque las predicciones específicas del autor con respecto a la consistencia y la magnitud de este sesgo a través de las cohortes fueron ampliamente refutadas por los datos.

Autores originales: SOON WOO NAM

Publicado 2026-10-07

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: SOON WOO NAM

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

En el mundo de la investigación del cáncer, los científicos suelen buscar patrones en las instrucciones genéticas dentro de las células tumorales para predecir cómo se comportará la enfermedad de un paciente. Buscan genes específicos que actúen como señales de advertencia, con la esperanza de encontrar una lista de marcadores que puedan decirle a un médico si es probable que un tumor crezca rápido o se propague. Para hacer esto, los investigadores construyen modelos estadísticos que ponderan la actividad de miles de genes frente a los tiempos de supervivencia de los pacientes. Sin embargo, estos modelos deben tener cuidado de considerar otros factores que influyen en la supervivencia, como la edad de un paciente o el tamaño del tumor. Si un investigador olvida incluir un factor importante que afecta tanto a los genes como al tiempo de supervivencia, el modelo puede producir un resultado engañoso. Podría parecer que un gen específico es la causa de un mal desenlace cuando, en realidad, ese gen es solo un pasajero en un autobús conducido por una fuerza diferente y no medida. Una de las fuerzas más poderosas de estas es la proliferación tumoral, que es simplemente una medida de qué tan rápido se están dividiendo y multiplicando las células cancerosas. Debido a que las células que se dividen rápidamente suelen tener una actividad genética diferente a las de crecimiento lento, ignorar esta velocidad puede distorsionar toda la imagen de lo que los genes están haciendo realmente.

Un investigador llamado Soon Woo Nam se propuso investigar con qué frecuencia ocurre este error específico y cuánto cuesta cuando sucede. Comenzó analizando cincuenta artículos científicos recientes que se centraban en el cáncer de hígado. Los leyó para ver si el autor había incluido una medida de la velocidad de división celular en sus modelos. El resultado fue desolador: ni uno solo de los cuarenta y un artículos que pudo leer completamente había ajustado la proliferación tumoral. De hecho, más de la mitad de esos estudios mencionaban que sus grupos de alto riesgo mostraban signos de división celular rápida, pero trataban esa velocidad como una curiosidad biológica en lugar de una variable que debía ser controlada en su matemática. Esto sugería que un gran número de conclusiones publicadas sobre qué genes predicen la supervivencia podrían estar construidas sobre una base inestable, perdiendo una pieza crucial del rompecabezas.

Para entender exactamente qué se perdió al dejar fuera este factor, Nam recurrió a una enorme base de datos pública que contiene datos genéticos y de supervivencia de cientos de pacientes con cáncer de hígado. Realizó una prueba exhaustiva en casi todos los genes que estaban activos en esos tumores. Para cada gen, construyó dos modelos diferentes para predecir la supervivencia. El primer modelo era estándar, considerando la edad, el sexo y la etapa del cáncer. El segundo era idéntico, excepto que también incluía una puntuación que representaba qué tan rápido se dividían los tumores. Luego comparó los resultados. Cuando se añadió la velocidad de división celular a la ecuación, la importancia estimada de casi todos los genes cambió. El tamaño de este cambio no fue aleatorio; dependía directamente de qué tan estrechamente estaba vinculada la actividad de ese gen específico con la velocidad de división. Si un gen estaba fuertemente ligado al crecimiento rápido, su impacto predicho en la supervivencia cambió drásticamente una vez que se tuvo en cuenta la velocidad de crecimiento. En los datos de cáncer de hígado, este ajuste fue tan poderoso que causó que el número de genes que parecían ser estadísticamente significativos colapsara de cientos a solo uno.

Nam luego se planteó una pregunta más profunda: ¿este patrón es cierto para todos los tipos de cáncer o es único del hígado? Antes de observar los datos, registró una predicción formal en un registro científico público, afirmando que esperaba que este descenso ocurriera en al menos el noventa por ciento de los diferentes tipos de cáncer. Probó esta predicción en diez bases de datos de cáncer diferentes, que iban desde cáncer de pulmón y riñón hasta cáncer de colon y ovario. El resultado fue una refutación de su propia hipótesis. El patrón no se mantuvo en todas partes. En la mitad de los tipos de cáncer que probó, la dirección del cambio fue opuesta a lo que esperaba. En algunos cánceres, añadir la puntuación de división celular hizo que las estimaciones de los genes subieran; en otros, hizo que bajaran. La dirección del cambio no era una regla fija de la biología, sino que estaba determinada por qué tan fuertemente actuaba la división celular misma como un predictor de la supervivencia en ese cáncer específico. En los cánceres donde la división rápida era un signo fuerte de un mal desenlace, los genes vinculados a la división parecían menos peligrosos una vez que se tuvo en cuenta la velocidad de división. En los cánceres donde la división no predecía fuertemente el desenlace, el cambio fue mínimo o se revirtió.

Este descubrimiento revela que el sesgo introducido al ignorar la proliferación tumoral no es un error simple que siempre empuja los resultados en una sola dirección. En cambio, es una distorsión fluida que depende enteramente de la biología específica del cáncer que se estudia. El estudio también destacó un problema práctico en cómo se reporta la ciencia. Debido a que la mayoría de los artículos no declaran qué factores ajustaron, un lector no puede saber si un gen reportado es un verdadero impulsor de la enfermedad o simplemente un reflejo de una división celular no medida. El investigador sugiere una solución simple: los científicos deberían informar la fuerza de la señal de división celular en su propio grupo específico de pacientes y mostrar cómo cambian sus estimaciones de genes cuando se incluye dicha señal. Esto no resolvería necesariamente el problema de qué genes son verdaderamente causales, pero haría que la dependencia fuera visible, permitiendo a médicos y otros investigadores ver el contexto completo de los números que están leyendo. El trabajo sirve como un recordatorio de que, en el complejo paisaje de la genética del cáncer, la respuesta a una pregunta sobre un solo gen no puede separarse del comportamiento del tumor en su totalidad.

Resumen Técnico: Omisión de la proliferación tumoral en modelos de expresión génica pronóstica

Planteamiento del problema
Los estudios de expresión génica pronóstica suelen contrastar genes candidatos frente a resultados de supervivencia y, posteriormente, ajustan modelos de Cox multivariables para covariables clínicas (edad, sexo, estadio). Una brecha crítica en esta práctica analítica es la frecuente omisión de la proliferación tumoral, una variable fuertmente asociada tanto con los resultados de supervivencia como con la expresión de muchos genes. Cuando una covariable está asociada tanto con el resultado como con los predictores candidatos, la omisión de dicha variable sesga las razones de riesgo (HR, por sus siglas en inglés) estimadas de esos candidatos. Si bien está establecido que la proliferación es pronóstica y se captura mediante conjuntos de genes aleatorios, la magnitud y dirección del sesgo introducido por la omisión de la proliferación en un cribado a nivel de todo el transcriptoma, y si este patrón se mantiene en diferentes tipos de cáncer, permanecen sin cuantificar. Además, no está claro con qué frecuencia los estudios publicados ajustan para esta variable.

Metodología
El estudio emplea un enfoque de tres vertientes que combina una encuesta bibliográfica, una medición a nivel de todo el transcriptoma en carcinoma hepatocelular (HCC) y una prueba trans-cáncer preregistrada.

Encuesta bibliográfica: Se extrajo una muestra de 50 artículos recientes de expresión génica pronóstica en HCC de PubMed. De los 41 con textos completos accesibles, el autor codificó si el modelo de supervivencia ajustaba para la proliferación (usando términos como Ki-67, MKI67, recuento mitótico o puntuaciones de proliferación) y si las covariables se declararon explícitamente en el texto.
Medición a nivel de todo el transcriptoma (Descubrimiento): En la cohorte TCGA-HCC (descubrimiento) y la cohorte independiente GSE14520 (replicación), el autor ajustó dos modelos de Cox para cada gen expresado:
- Modelo A: Ajustado por edad, sexo y estadio.
- Modelo B: El Modelo A más una puntuación de proliferación estandarizada (media de ocho genes relacionados con la proliferación: MKI67, TOP2A, CCNB1, PCNA, BUB1, CCNA2, AURKA, RRM2).
- Métrica: El "desplazamiento" (shift) se definió como la razón de las razones de riesgo (HR) del Modelo B respecto al Modelo A. El "paisaje" (landscape) fue la regresión de mínimos cuadrados ordinarios del logaritmo del desplazamiento sobre la correlación de Spearman del gen con la puntuación de proliferación.
Prueba Trans-Cáncer Preregistrada: Antes de analizar los datos, el autor registró una hipótesis en el Open Science Framework (OSF). La predicción era que en al menos el 90% de los tipos de cáncer incluidos, la pendiente del paisaje sería negativa, con un $R^2$ mediano $\geq 0.50$ . La prueba se aplicó a cohortes de TCGA que cumplían criterios de inclusión específicos (n $\ge$ 200, muertes $\ge$ 60, datos completos). El análisis distinguió entre cohortes primarias (disjuntas) y cohortes agregadas para asegurar la independencia estadística.
Análisis Post Hoc:
- No colapsabilidad: Se evaluó mediante la regresión de los logaritmos de los desplazamientos sobre los logaritmos de las HR para los genes con correlación cercana a cero con la proliferación (la "banda nula") para separar la no colapsabilidad aritmética de la confusión.
- Expresión de variable omitida: Se probó si una aproximación lineal de primer orden (producto del coeficiente de proliferación y la correlación parcial del gen con la puntuación) podía explicar los desplazamientos observados.
- Ejemplo práctico: Se analizó un gen específico (CYB5R3) para ilustrar el mecanismo y probar la robustez frente a las puntuaciones de composición tisular y las violaciones de proporcionalidad de riesgos.

Resultos Clave

Encuesta Bibliográfica: Ninguno de los 41 artículos encuestados ajustó para la proliferación (0%; IC del 95% 0.0–8.6). Sin embargo, el 56.1% informó la actividad de la vía de proliferación como una propiedad de sus grupos de alto riesgo, y el 68.3% no declaró explícitamente su lista de covariables en el texto.
Paisaje de HCC: En la cohorte de descubrimiento, la pendiente del paisaje fue de -0.278 ( $R^2 = 0.785$ ), lo que indica que los genes positivamente correlacionados con la proliferación vieron disminuir sus HR cuando se añadió la proliferación, mientras que los genes negativamente correlacionados vieron aumentar sus HR. Este patrón se reprodujo en GSE14520 (pendiente -0.180).
Impacto en la Significancia: En HCC, el número de genes que sobrevivieron al control de falsos descubrimientos (q < 0.10) colapsó de 338 (sin proliferación) a 1 (con proliferación).
Refutación de la Predicción Preregistrada: La prediccción preregistrada de que la pendiente del paisaje sería negativa en $\ge$ 90% de los tipos de cáncer fue refutada. Entre las ocho cohortes primarias (disjuntas), la pendiente fue negativa en solo el 50% (4/8). El acuerdo mediano de los desplazajes entre cohortes fue negativo (-0.268), contradiciendo la predicción de una direccionalidad consistente.
Mecanismo de Refutación: Se encontró que el signo de la pendiente del paisaje estaba determinado perfectamente por el signo de la propia HR de la puntuación de proliferación en esa cohorte específica. Si la proliferación era adversa (HR > 1), la pendiente era negativa; si la proliferación era protectora o nula (HR $\le$ 1), la pendiente era positiva o cercana a cero. Esto se mantuvo a través de 13 cohortes (incluyendo las exploratorias).
Descomposición Cuantitativa:
- No colapsabilidad: Explicó un pequeño desplazamiento (aprox. un aumento del 6.6% en la HR por unidad de log HR), pero fue insuficiente para explicar el paisaje.
- Expresión de Primer Orden: Explicó aproximadamente el 84% de la varianza en los desplazajes en HCC, quedando por debajo del umbral preregistrado del 95%. La expresión sobreestimó sistemáticamente la magnitud del desplazamiento en un 10%.
- Residuos: La varianza no explicada no se debió únicamente a genes con alta colinealidad con la puntuación; eliminar estos genes no restauró el poder predictivo de la expresión lineal.

Significancia y Reivindicaciones
El artículo sostiene que omitir la proliferación tumoral de los modelos pronósticos introduce un sesgo sistemático y predecible que desplaza casi todos los estimados de los genes. La dirección de este movimiento no es una propiedad fija del transcriptoma, sino que depende de la fuerza pronóstica y la dirección de la proliferación dentro de la cohorte específica que se analiza.

La contribución principal del estudio es la demostración de que una suposición de "talla única" sobre la dirección del sesgo de confusión es incorrecta. La predicción preregistrada falló porque el autor trató una propiedad observada en la cohorte de hígado (donde la proliferación es fuertemente adversa) como una ley universal. El artículo concluye que:

Estándares de Reporte: Los informes pronósticos deben declarar explícitamente si se ajustó para la proliferación.
Transparencia: Los autores deben informar la HR de una puntuación de proliferación en su propia cohorte y proporcionar los estimados de los genes tanto con como sin el término de proliferación, junto con la correlación del gen con dicha puntuación.
Ambigüedad Causal: Aunque los datos muestran un desplazamiento sistemático, no pueden distinguir definitivamente si la proliferación actúa como un confundidor, un mediador o un colisionador (collider). Sin embargo, la afirmación descriptiva —que el estimado depende sistemáticamente de la inclusión del término— se mantiene independientemente de la estructura causal.

El artículo enfatiza que estos hallazgos son asociativos y específicos de la práctica analítica de cribado de alta dimensión. No pretende identificar biomarcadores específicos, sino medir las consecuencias de una omisión metodológica común. El trabajo sirve como una crítica de la metaciencia, instando a los investigadores a medir el contexto específico de sus datos en lugar de confiar en suposiciones derivadas de otros tipos de tumores.

Más como este